Map openen
Open de chat en stel de werkmap in op de hoofdmap van je project.
Werkstromen
eenvoudige machine learning-projecten
03
Bereid je capstoneproject voor
Begin met een kleine dataset en een duidelijk doel. Gebruik de agent om bestanden op te lijsten, de data te lezen en een baseline-script uit te voeren. Controleer de resultaten in de chatkaarten. Je kunt 'find datasets for data science projects' gebruiken om je vaardigheden te oefenen met een kleine dataset die je eigendom is of die je onder de licentie mag gebruiken.
Bestandenlijst
Voer list_dir uit om de huidige structuur te zien en te verifiëren of je data aanwezig is.
Data lezen
Gebruik read_file om de eerste paar regels van je CSV-dataset te inspecteren.
Baseline uitvoeren
Voer het baseline-script uit in Shell en controleer de exitcode op succes.
Voorbeeld van een baseline-script
Voer het baseline-script uit en toon het nauwkeurigheidresultaat.
- Shell
python baseline.pyexit 0 - read_file
baseline.py18 regels - write_file
baseline.pyopgeslagen - grep
baseline accuracy3 matches
wacht op jouw goedkeuring voor de volgende stapAfwijzenAccepteren
baseline.py
import csv
import sys
def main():
data = []
with open('data.csv') as f:
reader = csv.DictReader(f)
for row in reader:
data.append(row)
labels = [r['label'] for r in data]
most_common = max(set(labels), key=labels.count)
correct = sum(1 for r in data if r['label'] == most_common)
accuracy = correct / len(data)
print(f'Baseline accuracy: {accuracy:.2f}')
if __name__ == '__main__':
main()Dit pure Python-script leest een CSV-bestand, vindt het meest voorkomende label en print de baseline-nauwkeurigheid zonder gebruik te maken van third-party libraries.
Bouw je machine learning-capstoneproject
Data inspecteren
Lijst je projectmap op om te bevestigen dat de dataset aanwezig is en gebruik read_file om de eerste paar rijen van je CSV-data te bekijken. Controleer de kolommen. Dit helpt je de kolomnamen en datatypen te begrijpen voordat je begint met bouwen. De agent toont de bestandsinhoud direct in de chatkaart voor je review. Je kunt grep gebruiken om specifieke waarden of patronen in de data te vinden voor eenvoudige machine learning-projecten. Verifieer dat de data er schoon en klaar voor training uitziet door te controleren op ontbrekende waarden. Een eerste mini-project voor beginners begint vaak met het inspecteren van deze basisdatastructuren. Deze stap zorgt ervoor dat je precies weet waar je mee werkt voor je machine learning-pipeline.
Training uitvoeren
Schrijf een eenvoudig trainingsscript met je library en sla het op in de projectmap, gebruik vervolgens write_file om het script te maken en edit_file om eventuele syntaxisfouten te corrigeren. Voer het uit. Voer het script uit in het Shell-gereedschap om de echte output te zien. Controleer de exitcode om ervoor te zorgen dat het script succesvol is afgerond. Evalueer het model op je validatieset en registreer de metrics. Sla de resultaten op in een JSON-logboek voor reproduceerbaarheid en duidelijkheid. Bekijk de diff voor elke wijziging wanneer je Ask first gebruikt. Herhaal deze cyclus voor je machine learning-capstoneproject terwijl je een deep learning-project kiest.
